تعيين ماشين هاي بردار پشتيبان بهينه در طبقه بندي تصاوير فرا طيفي بر مبناي الگوريتم ژنتيك توسط ديتاست MUSK

Determination of Optimal Support Vector Machines in Classification of Extra-spectral Images Based on Genetic Algorithm by Dataset MUSK

امروزه تصاوير فرا طيفي به علت غناي اطلاعات طيفي يك ابزار قوي و كارامد در سنجش از دور به حساب مي¬آيند و امكان تمايز بين عوارض مشابه را فراهم مي¬آورند. با توجه به پايداري ماشين‌هاي بردار پشتيبان در فضاهايي با ابعاد بالا، يك گزينه مناسب در طبقه¬بندي تصاوير فرا طيفي محسوب مي¬شوند. با اين وجود، عملكرد اين طبقه¬بندي كننده¬ها تحت تأثير پارامترها و فضاي ويژگي ورودي آن¬ها مي¬باشد. به منظور استفاده از ماشين¬هاي بردار پشتيبان با بيشترين كارايي، مي¬بايست مقادير بهينه¬ي پارامترها و همچنين زير مجموعه بهينه از ويژگي¬هاي ورودي تعيين گردند. در اين تحقيق از توانايي الگوريتم ژنتيك به عنوان يك تكنيك بهينه¬سازي فرا ابتكاري، در تعيين مقادير بهينه پارامترهاي ماشين¬هاي بردار پشتيبان و همچنين انتخاب زيرمجموعه ويژگي¬هاي بهينه در طبقه¬بندي تصاوير فرا طيفي استفاده شده است. نتايج عملي از به‌كارگيري روش فوق در خصوص داده¬هاي فرا طيفي سنجنده AVIRISنشان مي-دهند، ويژگي¬هاي ورودي و پارامترها هر كدام جداگانه تأثير بسزايي بر عملكرد ماشين¬هاي بردار پشتيبان دارند ولي بهترين عملكرد طبقه¬بندي كننده با حل همزمان آن دو بدست مي¬آيد. در حل همزمان تعيين پارامتر و انتخاب ويژگي، براي كرنل گوسين و پلي¬نوميال به ترتيب 5% و 15% افزايش دقت با حذف بيش از نيمي از باندهاي تصوير حاصل شد. همچنين الگوريتم بهينه¬سازي شبيه¬سازي تبريد تدريجي به منظور مقايسه با الگوريتم ژنتيك پياده¬سازي شد كه نتايج حاكي از برتري الگوريتم ژنتيك به ويژه با بزرگ و پيچيده شدن فضاي جستجو در رويكرد حل همزمان تعيين پارامتر و انتخاب ويژگي مي¬باشد.

Today, ultra-spectral images are considered as a powerful and effective tool in remote sensing because of the richness of spectral information and allow differentiation between similar effects. Due to the stability of backup vector machines in high-dimensional spaces, it is a suitable option for classifying ultra-spectral images. However, the performance of these classifiers is influenced by the parameters and their input space. In order to use support vector machines with the highest efficiency, the optimal parameters of the parameters and the optimal subset of the input characteristics should be determined. In this research, the ability of the genetic algorithm as an over-innovation optimization technique has been used to determine the optimal values ​​of supporting vector machines and also to select the subset of optimal characteristics in the classification of ultra-spectral images. The practical results of applying the above method to the AVIRIS spectral data show that input characteristics and parameters, each separately, have a significant effect on the performance of supporting vector machines, but the best classifying function with simultaneous solving of the two Is obtained. In the simultaneous determination of the parameter and feature selection, 5% and 15% accuracy for the kernel gouvin and polynomial were obtained by removing more than half of the image bands. Also, the gradual refrigeration simulation algorithm was implemented in order to compare the genetic algorithm with the results suggesting superiority of the genetic algorithm, especially with the large and complexity of the search space, in the solution of the simultaneous determination of the parameter and the choice of the feature.